Predicting Hospital Admission among High Acuity Triaged Patients Transported to the Emergency Department in Ontario, Canada: A Population-Based Cohort Study using Machine Learning
Notice bibliographique
Résumé
Abstract Background Paramedics are mandated to transport emergently triaged patients to the closest emergency department (ED). The closest ED may not be the optimal transport destination if further distanced ED’s can provide specialized care or are less crowded. Machine learning may support paramedic decision-making to transport a specific subgroup of emergently triaged patients that are unlikely to require hospital admission or emergency care to a more appropriate ED. We examined whether prehospital patient characteristics known to paramedics were predictive of hospital admission. Methods We conducted a retrospective cohort study using machine learning algorithms to analyze ED visits of the National Ambulatory Care Reporting System from Jan 1, 2018 to Dec 31, 2019 in Ontario, Canada. We included all adult (≥ 18 years) paramedic transports to the ED who had an emergent Canadian Triage Acuity Scale score (CTAS 2). Eight prehospital characteristic classes known to paramedics were used. We applied four machine learning algorithms that were trained and assessed using 10-fold cross-validation to predict the ED visit disposition of admission to hospital or discharged from ED. Predictive model performance was determined using the area under the receiving operating characteristic curve (AUC) with 95% confidence intervals and probabilistic accuracy using the Brier Scaled score. Variable importance scores were computed to determine the top 10 predictors of hospital admission. We also reported sensitivity, specificity, and positive and negative predictive values to support performance interpretation. Results All machine learning algorithms performed similarly for the prediction of which ED patient visits would be admitted to hospital (AUC 0.77–0.78, Brier Scaled 0.22–0.24). The characteristics most predictive of admission included age 65 to 105 years, referral source from a residential care facility, presenting with a respiratory complaint, and receiving home care. Conclusions Machine learning algorithms performed well in predicting ED visit dispositions using a comprehensive list of prehospital patient characteristics. To the best of our knowledge, this study is the first to utilize machine learning to predict ED visit outcomes from patient characteristics known prior to paramedic transport. This study has potential to inform paramedic regulations regarding the distribution of emergently triaged patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».